你问 AI 一件它从没见过的事，它居然能答上来，这事儿细想挺神的
先讲两个场景，你就明白了
带娃认动物
你带小孩去动物园，指着斑马说，"这是斑马，身上有黑白条纹，像马一样的体型"，小孩点点头，下次看到霍加狓，虽然从没见过，但能说出"这个身上也有条纹，腿像斑马"，这叫零样本学习------没见过实物，靠描述和已有知识去推断
换个情况，你给小孩看了三张霍加狓的照片，告诉他这叫霍加狓，下次他在图鉴里又认出来了，这叫少样本学习------只看了几个例子，就能举一反三
AI 的学习也是这两条路
为什么会有这种能力
传统机器学习笨，要教它认猫，得喂几万张猫图，一张张标注，累死人
后来大模型出现了，GPT、Claude 这些家伙读了互联网上海量的文字，建立了词与词、概念与概念之间的关联，它见过"斑马是有条纹的马科动物"这句话，也见过"霍加狓外形像斑马和长颈鹿的混合"，所以你问它霍加狓长什么样，它能拼凑出答案
技术上讲，大模型把语言压缩成了向量空间里的点，意思相近的词挨得近，"斑马""条纹""马科"这些概念在向量空间里形成了邻居关系，新概念进来，模型顺着这些邻居关系去推理，这就是零样本的底层逻辑
少样本再进一步，你给几个例子，等于在向量空间里划了几个锚点，模型推理的时候有了参照物，准确率自然上去
这事重要在哪
以前训练 AI 做一件新任务，成本很高，标注数据、调参数、跑实验，没个把月下不来
现在呢，零样本和少样本让 AI 变得灵活了，你用自然语言描述需求，或者给两三个示例，它就能干活，门槛一下子降下来了
翻译、写作、分类、问答，很多任务不用专门训练，通用大模型直接上
这对普通人意味着，你不需要懂编程，不需要懂机器学习，只要会说人话、会举例子，就能指挥 AI
但它也有边界
零样本靠的是"猜"，猜得准不准，取决于模型训练时见没见过相关知识，你问它一个极冷门的专业问题，它的知识库里没有足够的关联信息，答案就容易跑偏
少样本好一点，有例子兜底，但例子选得不好，或者太少，模型也会被带歪，举个极端情况，你给的三个例子恰好都有某种偏差，模型会以为那就是规律
还有个问题，模型会"编"，它太擅长拼凑了，有时候拼出来的东西看着像那么回事，实际上是瞎说，这叫幻觉，零样本场景下特别容易出现，因为缺少锚点校正
怎么用好它
第一，零样本适合通用任务，翻译一段话、总结一篇文章、解释一个概念，这些事模型训练时见多了，表现稳定
第二，专业领域、细分场景，别迷信零样本，给几个高质量的例子，让模型知道你具体要什么风格、什么格式、什么标准，准确率能提一大截
第三，关键信息要核实，特别是事实性内容，数字、日期、人名、引用，模型给的答案当参考，别直接当结论
第四，提示词写清楚，零样本的效果很大程度上取决于你怎么问，问题模糊，答案也模糊，把背景、要求、期望的输出格式写明白，模型发挥的空间就大
往后看
零样本和少样本是大模型时代的标志性能力，它让 AI 从"专才"变成了"通才"，从需要专门训练变成了开箱即用
但"通"也意味着"浅"，真正需要深度专业知识的领域，它还是外行
用得好，它是效率倍增器，用不好，它是错误放大器
关键在人，知道它能干什么，也知道它干不了什么，这才是和 AI 相处的正确姿势